[发明专利]基于深度学习的数学解题器的处理方法及系统

权利要求书

1.一种基于深度学习的数学解题器的处理方法，其特征在于，所述数学解题器包括几何解题器和代数解题器；

所述处理方法包括：

接收搜索题目类型，根据所述题目类型从所述数学解题器的几何解题器和代数解题器中确定目标解题器；

接收搜索问题，对所述搜索问题进行预处理得到题目信息，将所述题目信息输入至所述目标解题器中，通过所述目标解题器中的解题模型对所述题目信息进行解题处理，得到解题结果，其中，所述解题模型是神经网络经过解题样本进行训练获得的；

将所述解题结果进行输出。

2.根据权利要求1所述的方法，其特征在于，所述几何解题器包括：神经网络经过几何解题样本训练得到的几何解题模型；

所述接收搜索问题，对所述搜索问题进行预处理得到题目信息，将所述题目信息输入至所述目标解题器中，通过所述目标解题器中的解题模型对所述题目信息进行解题处理，得到解题结果，包括：

响应于确定所述目标解题器为几何解题器，接收所述搜索问题，提取所述搜索问题中的图片元素信息和文本元素信息，其中，图片元素信息和文本元素信息作为所述题目信息；

将所述图片元素信息和所述文本元素信息，以及确定的公理定理集合输入至所述几何解题器中，通过几何解题模型进行几何解题处理，得到解题过程序列，将所述解题过程序列作为所述解题结果。

3.根据权利要求2所述的方法，其特征在于，所述几何解题模型的确定过程包括：

获取几何问题数据集Geometry3K，其中，所述几何问题数据集中包括多个几何问题样本；

利用所述几何问题数据集Geometry3K对预先构建的深度神经网络进行学习训练，通过定理预测器构建与所述几何问题数据集对应的最优解定理序列；

利用预测器预测当前序列的下一个定理序列，根据预测的定理序列确定优化负对数似然损失，进而根据所述负对数似然损失对所述深度神经网络进行参数调整，完成训练得到所述几何解题模型。

4.根据权利要求2或3所述的方法，其特征在于，所述将所述图片元素信息和所述文本元素信息，以及确定的公理定理集合输入至所述几何解题器中，通过几何解题模型进行几何解题处理，得到解题过程序列，将所述解题过程序列作为所述解题结果，包括：

所述搜索问题进行元组划分后，元组中包括：图片元素信息和所述文本元素信息和数值格式；

将所述元组中的文本元素信息通过深层神经网络模型进行文本转换得到所述几何问题文本的文字部分，将所述元组中的图片元素信息进行识别处理，并基于识别结果进行关系构建得到关系集合R；

对所述关系集合R使用定理搜索策略进行搜索，确定找出最优解序列，根据所述最优解序列确定几何答案和几何解题过程作为所述解题结果。

5.根据权利要求4所述的方法，其特征在于，所述将所述元组中的文本元素信息通过深层神经网络模型进行文本转换得到所述几何问题文本的文字部分，将所述元组中的图片元素信息进行识别处理，并基于识别结果进行关系构建得到关系集合R，包括：

通过深层神经网络将所述元组中的文本元素信息的单词转换为谓词和变量，将所述谓词和变量构成文本序列；

对所述元组中的图片元素信息提取几何元素得到元素集合P；

通过强对象检测器提取所述几何元素中的图标符号以及文本区域，通过光学字符识别工具识别所述文本区域中的文本信息，得到符号集合S；

确定所述符号集合S中的每个符号S_i和元素集合P中与S_i对应的几何元素p_j的几何关系数据F，对每个S_i和p_j进行关联，关联算法公式为：

其中，dist为S_i和p_j之间的欧几里得距离，i为符号S_i在符号集合中的排序，j为几何元素p_j在元素集合P中的排序，i和j均属于正整数；

将关联的结果进行规则转换准换位形式语言得到关系集合R。